APP下载

基于小波变换和概率神经网络的水下目标识别

2012-10-20岳剑平

舰船科学技术 2012年1期
关键词:特征提取分类特征

石 敏,徐 袭,岳剑平

(1.水声对抗技术重点实验室,广东 湛江 524022;2.91388部队,广东 湛江 524022)

0 引言

根据声呐接收到的目标辐射噪声或目标反射回声进行水下目标识别是水声对抗的一个重要组成部分,是声呐信息处理领域急需解决的难题之一[1-2]。

目标识别主要包括目标特征提取和分类器设计2部分。目前,特征提取方法主要有时域波形结构特征提取、信号谱估计特征提取[2-4]、时 -频分析特征提取[5-6]等。分类器主要有基于神经网络[5-6]、模糊专家系统、支持向量机[3]、遗传算法以及将其中的2种结合起来应用的方法[2-4]等。

水下目标辐射噪声是一种非线性非平稳信号。小波变换具有很好的时频局部化特点,它的时频窗口形状随着分析频率的变化而变化,适合于非平稳信号分析。不同目标的辐射噪声在不同频率范围内的能量分布是不同的,因此辐射噪声信号在小波变换不同尺度下的能量分布可作为水下目标识别的特征矢量。概率神经网络(Probabilistic Neural Network,PNN)不需要学习过程,无须设置初始权值,适合于信号分类。

本文研究了基于小波变换和PNN的水下目标识别方法。利用db10小波对目标辐射噪声信号进行分解,得到不同尺度下小波变换系数的能量值,以此作为特征矢量输入到PNN进行目标识别。

1 特征矢量提取

目标识别中,需选取能有效区分各类目标的特征矢量。不同目标的辐射噪声对应的各尺度下小波变换系数的能量分布是不同的。因此,可选取能量值作为目标识别的特征矢量。……

登录APP查看全文

猜你喜欢

特征提取分类特征
分类算一算
如何表达“特征”
基于Gazebo仿真环境的ORB特征提取与比对的研究
不忠诚的四个特征
教你一招:数的分类
一种基于LBP 特征提取和稀疏表示的肝病识别算法
基于MED和循环域解调的多故障特征提取
线性代数的应用特征
Walsh变换在滚动轴承早期故障特征提取中的应用